CN106779457A - 一种企业信用评估方法及系统 - Google Patents

Abstract

本发明公开了一种企业信用评估方法及系统，将多个企业的涉税数据以及信用数据作为样本数据，根据样本数据预先建立企业信用评分卡模型；获取待评估企业的指标数据；对指标数据进行证据权重转换，生成证据权重值；调用企业信用评分卡模型，根据生成的证据权重值计算待评估企业的信用评分以及违约概率。基于企业涉税数据建立企业信用评分卡模型，对企业的涉税数据进行信用评估。由于企业涉税数据相较于其它类型的企业信用数据，其真实性以及全面性较好。基于全面真实的涉税数据对企业信用进行全面的分析评估，可以使得企业信用评估结果的可信度较高。可见，本申请基于全面真实的企业涉税数据进行企业信用评估，提高了企业信用评估结果的可信度。

Description

一种企业信用评估方法及系统

技术领域

本发明涉及金融领域，特别是涉及一种企业信用评估方法及系统。

背景技术

随着社会的发展进步，企业信用与企业经济利益的关联越来越密切。

企业信用可以由征信机构通过企业信用评估手段得出，即提供信用信息服务的企业，按照合法手段收集企业的信用信息，对信用信息进行加工处理，形成企业的信用报告等征信产品。

目前大多数的征信机构，用来评估企业信用的数据没有可信性。信用信息的可信性在一定程度可以由企业信用信息的来源决定，企业信用信息的来源有很多，例如，基于交易平台的数据、基于社交数据、基于互联网公开数据等。企业信用信息的真实性以及全面性，对企业信用的评估结果有很大的影响。但是，通过上述途径获取的企业信用信息的真实性以及全面性没有保障，从而不能对企业进行全面可信的评价。如何保障企业信用评估数据的真实性以及全面性，从而提高企业信用评估结果的可信度是本领域亟待解决的问题。

发明内容

本发明的目的是提供一种企业信用评估方法，包括：

将多个企业的涉税数据以及信用数据作为样本数据，根据所述样本数据预先建立企业信用评分卡模型；

获取待评估企业的指标数据；

对所述指标数据进行证据权重转换，生成证据权重值；

调用所述企业信用评分卡模型，根据生成的所述证据权重值计算所述待评估企业的信用评分以及违约概率。

可选地，所述根据所述样本数据预先建立企业信用评分卡模型包括：

对所述样本数据进行预处理；

对经过预处理后的所述样本数据进行证据权重转换；

利用变量的信息值以及基尼系数确定最优变量，对经证据权重转换后的数据做逻辑模型回归，构建逻辑回归模型，将所述回归模型转换为评分卡形式，生成所述企业信用评分卡模型。

可选地，所述对所述样本数据进行预处理包括：

对所述样本数据进行数据清洗；

对所述样本数据的变量类型进行识别，区分连续变量以及名义变量；对所述样本数数据中的连续变量进行分段处理，对所述样本数数据中的名义变量的基数进行判断，对需降基的名义变量进行降基处理；

将所述样本数据转换为符合逻辑模型要求的格式。

可选地，在所述获取待评估企业的指标数据之后还包括：

对所述指标数据进行预处理；

所述对所述指标数据进行预处理包括：

对所述指标数据进行数据清洗；

对所述指标数据的变量类型进行识别，区分连续变量以及名义变量；对所述指标数据中的连续变量进行分段处理，对所述指标数据中的名义变量的基数进行判断，对需降基的名义变量进行降基处理；

将所述指标数据转换为符合逻辑模型要求的格式。

可选地，在所述根据生成的所述证据权重值计算所述待评估企业的信用评分以及违约概率之后还包括：

根据所述信用评分以及所述违约概率生成企业信用评估报告。

可选地，所述涉税数据包括企业基础数据、申报数据、发票数据、经营数据以及财务数据。

可选地，所述获取待评估企业的指标数据包括：

根据所述待评估企业的企业纳税识别号从预设涉税数据库中提取企业对应的指标数据。

本发明还提供了一种企业信用评估系统，包括：

模型构建模块，用于将多个企业的涉税数据以及信用数据作为样本数据，根据所述样本数据预先建立企业信用评分卡模型；

获取模块，用于获取待评估企业的指标数据；

转换模块，用于对所述指标数据进行证据权重转换，生成证据权重值；

计算模块，用于调用所述企业信用评分卡模型，根据生成的所述证据权重值计算所述待评估企业的信用评分以及违约概率。

可选地，所述模型构建模块包括：

预处理单元，用于对所述样本数据进行预处理；

权重转换单元，用于对经过预处理后的所述样本数据进行证据权重转换；

构建单元，用于利用变量的信息值以及基尼系数确定最优变量，对经证据权重转换后的数据做逻辑模型回归，构建逻辑回归模型，将所述回归模型转换为评分卡形式，生成所述企业信用评分卡模型。

可选地，所述预处理单元包括：

第一数据清洗子单元，用于对所述样本数据进行数据清洗；

第一处理子单元，用于对所述样本数据的变量类型进行识别，区分连续变量以及名义变量；对所述样本数数据中的连续变量进行分段处理，对所述样本数数据中的名义变量的基数进行判断，对需降基的名义变量进行降基处理；

第一格式转换子单元，用于将所述样本数据转换为符合逻辑模型要求的格式。

可选地，还包括：

预处理模块，用于在获取待评估企业的指标数据之后，对所述指标数据进行预处理。

所述预处理模块包括：

第二数据清洗子单元，用于对所述指标数据进行数据清洗；

第二处理子单元，用于对所述指标数据的变量类型进行识别，区分连续变量以及名义变量；对所述指标数据中的连续变量进行分段处理，对所述指标数据中的名义变量的基数进行判断，对需降基的名义变量进行降基处理；

第二格式转换子单元，用于将所述指标数据转换为符合逻辑模型要求的格式。

本发明所提供的一种企业信用评估方法及系统，将多个企业的涉税数据以及信用数据作为样本数据，根据样本数据预先建立企业信用评分卡模型；获取待评估企业的指标数据；对指标数据进行证据权重转换，生成证据权重值；调用企业信用评分卡模型，根据生成的证据权重值计算待评估企业的信用评分以及违约概率。利用基于企业涉税数据建立的企业信用评分卡模型，对企业的指标数据进行信用评估，即基于企业的涉税数据对企业进行信用评估。由于企业的涉税数据相较于其它类型的企业信用数据，其真实性以及全面性较好。基于全面真实的涉税数据对企业信用进行全面的分析评估，可以使得企业信用评估结果的可信度较高。可见，本申请基于全面真实的企业涉税数据进行企业信用评估，提高了企业信用评估结果的可信度。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所提供的企业信用评估方法的一种具体实施方式的流程示意图；

图2为本发明实施例所提供的企业信用评估方法的另一种具体实施方式的流程示意图；

图3为本发明实施例所提供的企业信用评估系统的结构框图；

图4为本发明实施例所提供的企业信用评估系统的一种具体实施方式的结构示意图；

图5为本发明实施例所提供的企业信用评估系统的一种具体实施方式的部署示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，图1为本发明实施例所提供的企业信用评估方法的一种具体实施方式的流程示意图，该方法包括以下步骤：

步骤101：将多个企业的涉税数据以及信用数据作为样本数据，根据所述样本数据预先建立企业信用评分卡模型；

需要说明的是，上述信用数据为上述企业的信用信息，例如，企业是否违约。可以通过银行系统的存储的企业信用数据获取得到所需的信用数据。上述样本数据可以包括企业涉税数据，企业的涉税数据可以包括企业基础数据、申报数据、发票数据、经营数据以及财务数据，例如，企业的资产、销售额以及负债率；也可以包括企业的互联网公开信息和企业涉税数据；亦或者包括企业涉税数据和其它类型的信用数据。即用于建立企业信用评分卡模型的样本数据基于企业的涉税数据，但可以不仅仅限于企业的涉税数据。

利用企业涉税数据和其它类型的企业信用数据，来建立企业信用评分卡模型，可以使得模型更加全面，进而使得企业信用评估结果的可信度更高。可以理解的是，当用于建立企业信用评分卡模型的样本数据为涉税数据时，下文提及的指标数据可以相应地为涉税数据；而当企业的样本数据包括涉税数据和其它类型的企业信用评估数据时，下文提及的指标数据也可以相应地为涉税数据和其它类型的企业信用评估数据。当然，用于建模的企业样本数据和用于评估的指标数据可以不严格等同。

上述涉税数据可以直接从税务系统中获取大量企业的样本数据；也可以间接地从税务系统中获取所需的企业样本数据，即先将采集得到的涉税数据存储至指定存储位置，当需要涉税数据时，可以从指定存储位置提取出所需的涉税数据。例如，可以利用税务局的网上税务系统，获取大量企业的涉税数据，然后将采集得到的涉税数据存储至数据库中，当有需求时，可以从数据库中提取出所需的企业样本数据，以建立所需的评分卡模型。

可以看出，将采集得到的涉税数据存储至指定位置，可以在需要涉税数据时，及时地获取到相应的涉税数据，不用受到税务系统关闭以及网络波动等不稳定因素的影响。

作为一种具体实施方式，企业信用评分卡模型的建立过程可以具体为：对所述样本数据进行预处理；对经过预处理后的所述样本数据进行证据权重转换；利用变量的信息值以及基尼系数确定最优变量，对经证据权重转换后的数据做逻辑模型回归，构建逻辑回归模型，将所述回归模型转换为评分卡形式，生成所述企业信用评分卡模型。

具体地，对预处理后的样本数据进行证据权重转换(Weight Of Evidence，WOE)，得到样本数据各个变量的证据权重值；再对样本数据中的变量进行区分，以区分出连续变量和名义变量；基于各个变量的信息值(IV)和基尼系数，确定最优的变量，以构建出最优的模型；然后进行逻辑回归操作，生成企业信用评分卡模型。

可以理解的是，样本数据的变量包括名义变量和连续变量，各个变量的IV可以通过相应WOE值的加权求和得到，其表征的是变量对结果的影响程度。IV和基尼系数都可以用于衡量变量的预测能力，即可以通过IV值和基尼系数的高低，来确定出对评估结果有益的变量，例如，可以将IV值大于0.1的变量纳入模型。利用变量的IV值和基尼系数，将一些合适的变量纳入到模型中，保证模型内的变量数量，以构建出最优的模型。

可以看出，利用变量的IV值和基尼系数，选择合适的变量构建最优的逻辑回归模型，使得得出的评分卡模型相较于其它的模型，剔除了模型的主观性，进而可以更加客观地评价企业的信用，使得企业信用评估结果的准确性以及可信性较高。

根据最优模型可以确定出合适的评分卡刻度，得到完整的企业信用评分卡模型。显而易见地，评分卡刻度可以人为地设定，例如，可以将评分卡刻度设定为“500，520，540，560，580，600”。在评分卡刻度的设定过程中，例如可以设定违约和正常的比例为{1:60}时的分值为600分，比例为{2*(1:60)}时的分值为600+40分。当评分卡刻度设定后，企业的信用评分越高，企业的违约风险越低。

需要说明的是，企业信用评分卡模型是基于大量企业的涉税数据预先建立的，而将证据权重和逻辑回归相结合，建立企业信用评分卡模型为本领域技术人员所熟知的技术，在此只作简略介绍。

对样本数据进行预处理，可以保证后续步骤所处理数据的合法有效性。作为一种具体实施方式，预处理的过程可以具体为：对所述样本数据进行数据清洗；对变量类型进行识别，区分连续变量以及名义变量；对所述连续变量进行分段处理，对所述名义变量的基数进行判断，对需降基的名义变量进行降基处理；将所述样本数据转换为符合逻辑模型要求的格式。

需要说明的是，对样本数据进行数据清洗操作，例如，处理缺少值以及异常值等，以保证样本数据的合法性。

连续变量是指连续型变量，可以对连续变量进行分段，例如，可以将年龄划分为0-10、11-20、20-30…等区间。名义变量是指离散型变量，当名义变量的维度过高时，可以对名义变量进行降基，例如可以将相同含义的变量进行合并或者是将多个类别合并为一个类别，用合理的标识表示。对指标数据中变量类型识别后，可以对变量进行证据权重转换，即进行数据格式转换，使得转换后的数据可以符合逻辑模型所要求的格式，然后可以根据格式转换后数据，得出相应WOE值。

步骤102：获取待评估企业的指标数据；

需要说明的是，指标数据可以单独为涉税数据，也可以包括涉税数据以外的企业数据，例如，企业的互联网公开数据。即用于评估企业信用的指标数据为基于企业的涉税数据，但不仅仅限于企业的涉税数据。

可以理解的是，当指标数据仅仅包括涉税数据时，可以通过税务系统，获取得到企业的涉税数据。税务系统中有大量企业的涉税数据，例如，企业的基础数据、申报数据、发票数据以及财务数据等。由于每个企业都有其唯一的企业纳税识别号，故可以利用企业纳税识别号，直接从税务系统获取所需的企业涉税数据。当然，由于企业的名称与企业的纳税识别号是一一对应的，故也可以根据企业名称，来获取所需企业的涉税数据，即可以输入企业名称，以获取企业的涉税数据。显而易见地，涉税数据的获取方式不限于上述所提到的方式。

而当指标数据包括了涉税数据以外的企业数据，例如，企业的互联网公开数据，此时，除了需要从税务系统获取相应的涉税数据外，还可以在互联网收集企业的公开数据。互联网公开数据例如为企业的基础数据以及工商变更数据等。可以理解的是，利用税务数据和互联网公开信息来评估企业的信用，使得评的数据更加全面，进而使评估结果更加地全面，可信度更高。当然，用于评估企业信用的指标数据不限于上述提到的，即基于税务数据来评估企业信用均属于本发明实施例的保护范围。

除了可以从税务系统中直接获取所需的涉税数据，还可以从指定存储位置获取所需涉税数据，指定存储位置存储有预先从税务系统中，采集得到的大量企业的税务数据。指定存储位置可以为数据库，也可以为其它的存储工具。

作为一种具体实施方式，获取指标数据的过程具体可以为：根据所述待评估企业的企业纳税识别号从预设涉税数据库中提取企业对应的指标数据。

具体地，用户可以通过输入设备输入评估企业的企业纳税识别号，系统可以根据企业纳税识别号从指定存储位置例如数据库中，读取得到所需的税务数据即指标数据。显而易见地，相较于直接从税务系统中获取指标数据，其从数据库等指定存储位置读取所需的数据，可以避免税务系统临时关闭、出现故障以及网络波动等不稳定因素的影响。

在进行企业信用评估时，还可以通过输入企业名称，获取相应企业的涉税数据，即预先建立企业名称与企业纳税识别号的对应关系，或者是建立企业名称与涉税数据的对应关系，通过企业名称即可获取到相应的涉税数据。当然，指标数据的获取方式还可以为其它的方式，在此不作限定。

可以理解的是，为了保证后续步骤所处理的指标数据的合理有效性，可以在获取到指标数据之后，对指标数据进行预处理，具体可以包括：对所述指标数据进行数据清洗；对所述指标数据的变量类型进行识别，区分连续变量以及名义变量；对所述指标数据中的连续变量进行分段处理，对所述指标数据中的名义变量的基数进行判断，对需降基的名义变量进行降基处理；将所述指标数据转换为符合逻辑模型要求的格式。

其中，对数据清理操作可以保证所述指标数据的合法性。例如，可以补充指标数据的缺失值，修正指标数据中的异常值等。

步骤103：对所述指标数据进行证据权重转换，生成证据权重值；

需要说明的是，WOE转换以及证据权重值的计算过程均为本领域技术人员所熟知的技术，在此不再赘述。

步骤104：调用所述企业信用评分卡模型，根据生成的所述证据权重值计算所述待评估企业的信用评分以及违约概率。

本申请企业信用评分卡模型形成后表现为一个等式(类似于y＝a*x1+b*x2+c*x3)，模型确定好之后式中的各个系数a、b、c也就确定好了，x1、x2、x3就是上述指标对应的WOE值，如资产负债率，销售收入等的WOE值；在计算新的企业的信用评分和违约概率时，先计算该企业的指标数据，如资产负债率，销售收入等，再将指标数据转化成WOE值，然后将WOE值直接代入到模型中就计算出y值，从而计算得到信用评分和违约概率。

需要说明的是，利用企业信用评分卡模型来计算企业的信用评分以及违约概率为本领域技术人员所熟知的技术，在此不再赘述。

基于企业的涉税数据计算得出企业的信用评分以及违约概率后，可以将企业信用评估结果整理为评估报告，以使信用信息使用者可以清楚便捷地了解到所需的企业信用信息。故在本发明的一些实施例中，其报告生成过程可以具体为：根据所述信用评分以及所述违约概率生成企业信用评估报告。设置自动生成功能，当计算出企业信用评估结果后，可以自动生成评估企业的信用评估报告。自动生成评估报告，不用人为地去生成报告，使得评估报告的生成的效率更高。

在自动生成信用评估报告后，还可以设置报告展示功能，故在本发明的一些实施例中，其过程具体可以为：对生成的所述企业信用评估报告进行显示。将生成的企业信用评估报告展示给企业信用评估人员，以使评估人员判断所生成报告的具体情况。

在信用评估报告展示完后，进一步地，还可以设置报告自动发送功能，即自动将生成的信用评估报告，发送至指定的联系人或者是地址。故在本发明的一些实施例中，其过程可以具体为：根据预设发送方式，自动发送所述信用评估报告。预设发送方式可以为邮件发送、短信发送、亦或者是其它的发送方式，在此不作限定。自动发送信用评估报告，可以使得信用评估报告的发送效率更高。

本发明实施例所提供的企业信用评估方法，利用基于企业涉税数据建立的企业信用评分卡模型，对企业的指标数据进行信用评估，即基于企业的涉税数据对企业进行信用评估。由于企业的涉税数据相较于其它类型的企业信用数据，其真实性以及全面性较好。基于全面真实的涉税数据对企业信用进行全面的分析评估，可以使得企业信用评估结果的可信度较高。可见，该方法基于全面真实的企业涉税数据进行企业信用评估，提高了企业信用评估结果的可信度。

为了更好地介绍评分卡模型的建立，以及利用评分卡模型评估企业信用的过程，下面将结合评估卡模型的建立以及评估企业信用的过程进行详细介绍。

请参见图2，图2为本发明实施例所提供的企业信用评估方法的另一种具体实施方式的流程示意图，该方法包括以下步骤：

步骤201：采集企业的税务数据；

具体地，可以通过对接税务局的网上办税系统数据采集接口，获取大量企业的税务数据，例如，企业基础数据、申报数据、发票数据、经营和财务数据等。基于采集得到的大量税务数据，建立所需的企业信用评分卡模型。

步骤202：将所述税务数据存储至指定存储位置；

例如，可以将采集得到的大量税务数据存储至数据库。

步骤203：从所述指定存储位置提取所需的样本数据；

需要说明的是，步骤202不是必须的，即步骤202可以没有。相应的步骤203也不是必须的。也即没有步骤202和步骤203，并不影响本发明实施例的实现。此时，可以直接从税务系统中提取出违约企业和未违约企业的样本数据，在此不再赘述。

步骤204：对所述样本数据进行数据清洗；

对样本数据进行缺少值补偿、异常值处理，以保证后续步骤所处理的指标数据的合法有效性。需要说明的是，步骤204不是必要的，即没有步骤204，也不影响本发明实施例的实现。

步骤205：将清洗后的所述样本数据进行数据分析，得到转换格式后的样本数据；

需要说明的是，对样本数据进行数据分析，区分连续变量以及名义变量的过程可以参照上文相应的部分，而样本数据的WOE转换过程也可以参照上文对应的内容，在此不再赘述。

步骤206：对所述样本数据进行逻辑回归，生成企业信用评分卡模型；

需要指出的是，具体过程可以参见上文相应的内容，在此不再赘述。

步骤207：输入企业纳税识别号，获取目标企业的指标数据；

可以理解的是，获取目标企业的指标数据的方式不限于上述方式，例如，还可以通过输入企业的全称，根据企业的全称获取得到所需目标企业的指标数据。此处的指标数据可以为涉税数据，也可以是涉税数据和互联网公开信息，亦或者是基于涉税数据的其它组合。

步骤208：对所述指标数据进行数据清洗；

需要指出的是，步骤208的有无不会影响到本发明实施例的实现。

步骤209：将清洗后的所述指标数据进行数据分析，得出证据权重值；

步骤210：调用所述企业信用评分卡模型，计算得出所述目标企业的信用评分以及违约概率；

步骤211：根据所述信用评分以及所述违约概率，自动生成所述目标企业的信用评估报告。

可以理解的是，还可以将生成的信用评估报告自动发送至指定的联系人或者是地址。至于，其基于企业信用评分卡模型，计算出目标企业的信用评分以及违约概率的过程也可以参见上文相应的内容。

本发明实施例所提供的企业信用评估方法，主要基于企业涉税方面的信息进行企业信用评估，涉税信息涵盖了企业税务登记信息、股东信息、收入申报信息、税金逾期信息等，这些信息比互联网获得的信息真实、全面，通过这些信息可以对企业的经营进行全面的分析和评价，形成更具可信力的“以税定信”的全新征信模式。进一步地，该方法还剔除了以往模型的主观性，根据变量的IV和基尼值，确定合适的变量，构建最优的逻辑(Logit)回归模型，从客观上评价企业的信用风险，增加了企业信用评估报告的准确性和可信性，进而降低银行等金融机构的放贷风险。

下面对本发明实施例提供的企业信用评估系统进行介绍，下文描述的企业信用评估系统与上文描述的企业信用评估方法可相互对应参照。

图3为本发明实施例提供的企业信用评估系统的结构框图，参照图3企业信用评估系统可以包括：

模型构建模块301，用于将多个企业的涉税数据以及信用数据作为样本数据，根据所述样本数据预先建立企业信用评分卡模型；

获取模块302，用于获取待评估企业的指标数据；

转换模块303，用于对所述指标数据进行证据权重转换，生成证据权重值；

计算模块304，用于调用所述企业信用评分卡模型，根据生成的所述证据权重值计算所述待评估企业的信用评分以及违约概率。

可选地，所述模型构建模块包括：

预处理单元，用于对所述样本数据进行预处理；

权重转换单元，用于对经过预处理后的所述样本数据进行证据权重转换；

构建单元，用于利用变量的信息值以及基尼系数确定最优变量，对经证据权重转换后的数据做逻辑模型回归，构建逻辑回归模型，将所述回归模型转换为评分卡形式，生成所述企业信用评分卡模型。

可选地，所述预处理单元包括：

第一数据清洗子单元，用于对所述样本数据进行数据清洗；

第一处理子单元，用于对变量类型进行识别，区分连续变量以及名义变量；对所述连续变量进行分段处理，对所述名义变量的基数进行判断，对需降基的名义变量进行降基处理；

第一格式转换子单元，用于将所述样本数据转换为符合逻辑模型要求的格式。

作为一种具体实施方式，本发明所提供的企业信用评估系统还可以包括：

预处理模块，用于在获取待评估企业的指标数据之后，对所述指标数据进行预处理。

其中，所述预处理模块可以具体包括：

第二数据清洗子单元，用于对所述指标数据进行数据清洗；

第二处理子单元，用于对所述指标数据的变量类型进行识别，区分连续变量以及名义变量；对所述指标数据中的连续变量进行分段处理，对所述指标数据中的名义变量的基数进行判断，对需降基的名义变量进行降基处理；

第二格式转换子单元，用于将所述指标数据转换为符合逻辑模型要求的格式。

本发明实施例所提供的企业信用评估系统，该系统利用基于企业涉税数据建立的企业信用评分卡模型，对企业的指标数据进行信用评估，即基于企业的涉税数据对企业进行信用评估，由于企业的涉税数据相较于其它企业信用数据，其真实性以及全面性较好。利用全面、真实的涉税数据对企业信用进行全面的分析评价，可以使得企业信用评估结果的可信度较高。可见，该系统基于全面真实的企业涉税数据进行企业信用评估，提高了企业信用评估结果的可信度。

为了更好地对企业信用评估系统进行介绍说明，下面将结合系统的其它功能模块进行完整介绍。

请参见图4，图4为本发明实施例所提供的企业信用评估系统的一种具体实施方式的结构示意图，该系统包括：

数据采集模块401，用于采集企业的涉税数据，包括企业基础数据、申报数据、发票数据、经营和财务数据等；数据来源主要是各个税务相关的应用数据，通过对接各个应用系统的数据接口采集，例如对接税局的网上办税系统数据采集接口，采集企业基础数据、申报数据等；

数据存储模块402，用于存储已采集的数据；

样本数据提取模块403，用于从数据存储模块提取用于生成企业信用评分卡模型的样本数据；

数据清洗模块404，用于对样本数据和指标数据进行清洗，如处理缺失值、异常值等；

需要说明的是，模块402、403以及404的有无并不影响本发明实施例的实现。

数据分析模块405，用于对变量类型进行识别，将连续变量和名义变量区分开，对连续变量进行分段，对名义变量的基数进行判断，对需要降基的名义变量降基；对连续变量和名义变量作WOE转换，使转换后的数据形式符合Logit模型要求的格式；

模型生成模块406，用于对WOE转换后的数据做Logit模型回归，根据各个变量的IV和基尼系数确定合适的变量构建最优的模型，再根据最优的模型确定合适的评分卡刻度，形成完整的企业信用评分卡模型；

指标数据提取模块407，用于从数据存储模块提取用于生成企业信用评估报告的企业指标数据；

信用评估模块408，用于根据企业指标数据转换后的WOE值，调用企业信用评分卡模型，计算企业的信用评分和违约概率；

信用报告生成模块409，用于根据信用评分和违约概率，生成企业信用评估报告并展示。

可以理解的是，还可以为系统增加信用报告自动发送的功能。

本发明实施例所提供的企业信用评估系统，该系统主要基于企业涉税方面的信息进行企业信用评估，涉税信息涵盖了企业税务登记信息、股东信息、收入申报信息、税金逾期信息等，这些信息比互联网获得的信息真实、全面，通过这些信息可以对企业的经营进行全面的分析和评价，形成更具可信力的“以税定信”的全新征信模式。进一步地，该系统还剔除了以往模型的主观性，根据变量的IV和基尼值，确定合适的变量，构建最优的逻辑(Logit)回归模型，从客观上评价企业的信用风险，增加了企业信用评估报告的准确性和可信性，进而降低银行等金融机构的放贷风险。

基于税务的企业信用评估系统，还可以加入互联网公开数据，以对企业信用进行更全面的评估，基于此，下面将对系统的具体部署进行介绍。

请参见图5，图5为本发明实施例所提供的企业信用评估系统的一种具体实施方式的部署示意图。如图5所示，包括用户、税务系统、互联网公开数据、企业信用评估系统，企业信用评估系统可以为上述企业信用评估系统。用户可以是指通过本发明实施例所提供的系统获取企业信用评估报告的用户。

税务数据以及互联网公开数据可以是指企业信用评估的数据来源，本发明实施例的系统主要基于税务数据，也可采集互联网公开数据，通过结合税务数据和公开数据，可以对企业进行更全面的信用评估。

企业信用评估系统可以是指通过采集税务数据和/或互联网公开数据，将提取得到的样本数据进行数据清洗、数据分析，生成企业信用评分卡模型；基于评分卡模型，根据提取的企业指标数据，对企业进行信用评估，并生成企业信用评估报告。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的企业信用评估方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (11)

1.一种企业信用评估方法，其特征在于，包括：

将多个企业的涉税数据以及信用数据作为样本数据，根据所述样本数据预先建立企业信用评分卡模型；

获取待评估企业的指标数据；

对所述指标数据进行证据权重转换，生成证据权重值；

调用所述企业信用评分卡模型，根据生成的所述证据权重值计算所述待评估企业的信用评分以及违约概率。

2.如权利要求1所述的方法，其特征在于，所述根据所述样本数据预先建立企业信用评分卡模型包括：

对所述样本数据进行预处理；

对经过预处理后的所述样本数据进行证据权重转换；

利用变量的信息值以及基尼系数确定最优变量，对经证据权重转换后的数据做逻辑模型回归，构建逻辑回归模型，将所述回归模型转换为评分卡形式，生成所述企业信用评分卡模型。

3.如权利要求2所述的方法，其特征在于，所述对所述样本数据进行预处理包括：

对所述样本数据进行数据清洗；

对所述样本数据的变量类型进行识别，区分连续变量以及名义变量；对所述样本数数据中的连续变量进行分段处理，对所述样本数数据中的名义变量的基数进行判断，对需降基的名义变量进行降基处理；

将所述样本数据转换为符合逻辑模型要求的格式。

4.如权利要求1所述的方法，其特征在于，在所述获取待评估企业的指标数据之后还包括：

对所述指标数据进行预处理；

所述对所述指标数据进行预处理包括：

对所述指标数据进行数据清洗；

对所述指标数据的变量类型进行识别，区分连续变量以及名义变量；对所述指标数据中的连续变量进行分段处理，对所述指标数据中的名义变量的基数进行判断，对需降基的名义变量进行降基处理；

将所述指标数据转换为符合逻辑模型要求的格式。

5.如权利要求1至4任一项所述的方法，其特征在于，在所述根据生成的所述证据权重值计算所述待评估企业的信用评分以及违约概率之后还包括：

根据所述信用评分以及所述违约概率生成企业信用评估报告。

6.如权利要求1至4任一项所述的方法，其特征在于，所述涉税数据包括企业基础数据、申报数据、发票数据、经营数据以及财务数据。

7.如权利要求1至4任一项所述的方法，其特征在于，所述获取待评估企业的指标数据包括：

根据所述待评估企业的企业纳税识别号从预设涉税数据库中提取企业对应的指标数据。

8.一种企业信用评估系统，其特征在于，包括：

模型构建模块，用于将多个企业的涉税数据以及信用数据作为样本数据，根据所述样本数据预先建立企业信用评分卡模型；

获取模块，用于获取待评估企业的指标数据；

转换模块，用于对所述指标数据进行证据权重转换，生成证据权重值；

计算模块，用于调用所述企业信用评分卡模型，根据生成的所述证据权重值计算所述待评估企业的信用评分以及违约概率。

9.如权利要求8所述的系统，其特征在于，所述模型构建模块包括：

预处理单元，用于对所述样本数据进行预处理；

权重转换单元，用于对经过预处理后的所述样本数据进行证据权重转换；

构建单元，用于利用变量的信息值以及基尼系数确定最优变量，对经证据权重转换后的数据做逻辑模型回归，构建逻辑回归模型，将所述回归模型转换为评分卡形式，生成所述企业信用评分卡模型。

10.如权利要求9所述的系统，其特征在于，所述预处理单元包括：

第一数据清洗子单元，用于对所述样本数据进行数据清洗；

第一处理子单元，用于对所述样本数据的变量类型进行识别，区分连续变量以及名义变量；对所述样本数数据中的连续变量进行分段处理，对所述样本数数据中的名义变量的基数进行判断，对需降基的名义变量进行降基处理；

第一格式转换子单元，用于将所述样本数据转换为符合逻辑模型要求的格式。

11.如权利要求8所述的系统，其特征在于，还包括：

预处理模块，用于在获取待评估企业的指标数据之后，对所述指标数据进行预处理；

所述预处理模块包括：

第二数据清洗子单元，用于对所述指标数据进行数据清洗；

第二处理子单元，用于对所述指标数据的变量类型进行识别，区分连续变量以及名义变量；对所述指标数据中的连续变量进行分段处理，对所述指标数据中的名义变量的基数进行判断，对需降基的名义变量进行降基处理；

第二格式转换子单元，用于将所述指标数据转换为符合逻辑模型要求的格式。